劉海李洪亮武一民王海洋

（1.河北工業(yè)大學(xué)，天津 300130；2.中國汽車技術(shù)研究中心，天津 300300）

乘用車用柴油機噪聲聲品質(zhì)預(yù)測技術(shù)*

劉海1,2李洪亮2武一民1王海洋2

（1.河北工業(yè)大學(xué)，天津 300130；2.中國汽車技術(shù)研究中心，天津 300300）

以某款直列4缸乘用車用柴油機為研究對象，選取描述發(fā)動機噪聲的響度、尖銳度等5個心理聲學(xué)特征進行客觀評價分析；以主觀滿意度為評價標準，應(yīng)用成對比較法進行主觀評價測試研究；應(yīng)用多層感知器神經(jīng)網(wǎng)絡(luò)（MLPNN）方法構(gòu)建噪聲心理聲學(xué)特征與主觀滿意度之間的非線性映射關(guān)系；基于MLPNN預(yù)測模型分析5個特征參量對主觀滿意度的貢獻度大小，從而得出響度、粗糙度和尖銳度為影響乘用車柴油機噪聲品質(zhì)前3個重要指標的結(jié)論。

主題詞:乘用車 柴油機 噪聲 聲品質(zhì) 預(yù)測模型

1 前言

柴油發(fā)動機具有低油耗、低排放、高扭矩和加速性能強等優(yōu)點。乘用車用柴油機噪聲是乘用車主要噪聲源之一，該噪聲包括機械噪聲、燃燒噪聲和空氣動力性噪聲，各種噪聲之間相互掩蔽，噪聲為寬頻帶信號，頻譜混疊嚴重，難以在設(shè)計階段通過數(shù)值仿真技術(shù)準確預(yù)測柴油機輻射噪聲聲品質(zhì)情況。

多層感知器神經(jīng)網(wǎng)絡(luò)（Multilayer Perceptron Neural Networks，MLPNN）技術(shù)是一種單向傳播的多層前饋網(wǎng)絡(luò)模型，因其具有高度的非線性映射能力，在模式識別、圖像處理、函數(shù)逼近、優(yōu)化計算等領(lǐng)域應(yīng)用廣泛[1～4]。文獻[1]提出了一種基于MLPNN的風(fēng)速預(yù)測模型，該模型實現(xiàn)了對實時風(fēng)的準確預(yù)測；文獻[2]應(yīng)用MLPNN技術(shù)通過來自異構(gòu)數(shù)據(jù)源間的證據(jù)實現(xiàn)了對蛋白質(zhì)功能關(guān)系的準確預(yù)測；文獻[3]建立了末端柔性的自由漂浮基機器人的耦合動力學(xué)模型，利用MLPNN技術(shù)的逼近能力來自適應(yīng)補償非線性柔性臂的逆動力學(xué)模型；文獻[4]采用反向傳播誤差（BP）神經(jīng)網(wǎng)絡(luò)技術(shù)對車輛排氣噪聲滿意度進行了預(yù)測，結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型較多元線性回歸模型預(yù)測值更接近實測值。

本文以穩(wěn)態(tài)工況下柴油機輻射噪聲信號為研究對象，應(yīng)用心理聲學(xué)方法進行噪聲的客觀評價分析，采用成對比較法進行噪聲的主觀評價測試，基于主、客觀評價結(jié)果，應(yīng)用MLPNN技術(shù)建立心理聲學(xué)變量與主觀評價結(jié)果之間的非線性映射關(guān)系，即柴油機噪聲聲品質(zhì)預(yù)測模型。

2 噪聲樣本庫的建立

為了獲取精準的柴油機輻射噪聲信號，試驗在半自由聲場發(fā)動機噪聲實驗室中進行。試驗采用Head Acoustics公司生產(chǎn)的Head A480噪聲信號采集與回放系統(tǒng)，其通過人工頭聲音采集裝置記錄柴油機噪聲信號，通過Sennheiser HD515專業(yè)監(jiān)聽耳機進行聲音回放。在噪聲樣本采集過程中，傳感器水平位置離機體1 m，豎直高度距離地面1 m，測點的布置詳見圖1[6、7]。

圖1 測點布置示意

以4種典型的直列4缸柴油機為研究對象，試驗過程中將柴油機的進排氣噪聲引出室外，記錄不同轉(zhuǎn)速時的32個噪聲樣本，對噪聲信號進行前處理，即篩選、截取和響度調(diào)節(jié)[8]，最終得到32個長度為5 s的有效噪聲樣本，其中建模組1～22噪聲用來建立噪聲聲品質(zhì)預(yù)測模型，檢驗組23～32噪聲用來驗證預(yù)測模型。

3 噪聲聲品質(zhì)主、客觀評價測試

3.1 噪聲聲品質(zhì)主觀評價測試

聲品質(zhì)主觀評價[9]是通過人們對聲音的主觀感受，按照一定的評價要求和評價規(guī)則對聲音進行評價的一種評價方法。考慮到柴油機輻射噪聲的復(fù)雜性、重復(fù)性、煩惱性，選擇具有乘用車聲學(xué)相關(guān)專業(yè)人士為評審團成員，應(yīng)用成對比較法進行噪聲聲品質(zhì)的主觀評價測試，以滿意度指標（根據(jù)不同的評審對象主觀打分累積結(jié)果而得出）作為主觀評價試驗量化指標，采用數(shù)據(jù)重合度和數(shù)據(jù)一致性指標[10]來校核成對比較法。整個測試過程中32個噪聲樣本數(shù)據(jù)平均重合度系數(shù)為0.88，平均一致性系數(shù)為0.92，表明主觀評價測試結(jié)果準確有效。

3.2 噪聲聲品質(zhì)客觀評價分析

心理聲學(xué)是研究人耳和大腦如何處理進入人耳的聲音事件的學(xué)科，其可以定量反映聽覺感受的差別，消除個體影響。Zwicker響度、尖銳度、粗糙度、波動度、峭度等作為最主要的心理聲學(xué)特征已被廣泛應(yīng)用在柴油機噪聲的評價與預(yù)測中[11～13]，其可以定量反映顧客對柴油機輻射噪聲某一特征的聽覺感受。響度是反映人耳對聲音強弱主觀感受程度的心理聲學(xué)參數(shù)，響度的計算過程考慮了聲音特征頻帶分布和人耳的掩蔽效應(yīng)。尖銳度描述了高頻成分在聲音頻譜中的比例，反映了聲音信號的刺耳程度。粗糙度反映了聲音信號的調(diào)制程度、調(diào)制幅度大小以及調(diào)制頻率分布等特征，適用于評價20～200 Hz調(diào)制頻率的聲音。波動度用于描述人耳對緩慢移動調(diào)制聲音的感受程度，反映了人耳主觀感受到的聲音響亮起伏程度，適用于評價20 Hz以下低頻調(diào)制的聲音信號。柴油機輻射噪聲聲品質(zhì)主、客觀評價結(jié)果如表1所列。

表1 柴油機輻射噪聲聲品質(zhì)主、客觀評價結(jié)果

4 基于MLPNN的聲品質(zhì)預(yù)測技術(shù)

由于人耳聽覺系統(tǒng)的復(fù)雜性，導(dǎo)致噪聲聲品質(zhì)客觀特征參數(shù)與主觀評價結(jié)果之間存在著復(fù)雜的非線性關(guān)系，這些非線性關(guān)系難以通過線性回歸方法得到準確的函數(shù)關(guān)系；同時，由于聽審試驗方法不能在保證其它特征參數(shù)不變的同時只改變某一特征參數(shù)，因此這一規(guī)律也無法通過試驗方法直接得到?；贛LPNN方法的噪聲聲品質(zhì)預(yù)測模型可以分析在單一客觀特征參數(shù)變化條件下滿意度的變化規(guī)律，從而分析客觀特征參數(shù)對聲品質(zhì)的影響規(guī)律。

MLPNN[14]是一種多層前反饋網(wǎng)絡(luò)，用來模擬人類大腦結(jié)構(gòu)。在柴油機聲品質(zhì)預(yù)測模型建立過程中，心理聲學(xué)變量作為模型的輸入層，主觀評價結(jié)果作為輸出層，隱層神經(jīng)元個數(shù)至少為1，通過對神經(jīng)網(wǎng)絡(luò)模型的逐級訓(xùn)練和網(wǎng)絡(luò)自學(xué)習(xí)確立噪聲聲品質(zhì)預(yù)測模型。計算結(jié)果表明，隱含層神經(jīng)元個數(shù)為4時，預(yù)測值趨于穩(wěn)定，圖2為基于MLPNN的柴油機噪聲聲品質(zhì)預(yù)測模型結(jié)構(gòu)圖。

圖2 MLPNN模型網(wǎng)絡(luò)結(jié)構(gòu)

假設(shè)輸入層神經(jīng)元有r個，輸入層為X；隱層為h，隱層內(nèi)包含有m個神經(jīng)元，激活函數(shù)為fh；輸出層為Y，輸出層內(nèi)有k個神經(jīng)元，對應(yīng)的激活函數(shù)為fY。則隱層中第j個神經(jīng)元的輸出和輸出層第k個神經(jīng)元的輸出分別為：

式中，v、w代表權(quán)值；a、b代表隱層與輸出層閾值。

隱層激活函數(shù)為：

輸出層激活函數(shù)為：

網(wǎng)絡(luò)總誤差函數(shù)為：

式中，l為訓(xùn)練樣本個數(shù)；Tk為實際測試結(jié)果。

基于MLPNN算法是以網(wǎng)絡(luò)連接權(quán)（v、w）為變量，初始權(quán)值v、w取值區(qū)間為（-1，1）之間的隨機數(shù)，網(wǎng)絡(luò)總誤差E小于允許值為目標的多元極小值問題。正向傳播過程中，輸入層（心理聲學(xué)特征）經(jīng)隱含層處理綜合4個節(jié)點的實際輸出傳向輸出層。如網(wǎng)絡(luò)總誤差E過大，則轉(zhuǎn)入反向傳播，逐層遞歸地計算期望輸出與實際輸出的方差，采用梯度下降法來調(diào)節(jié)連接權(quán)值，其中η′、η為學(xué)習(xí)率）與節(jié)點閾值aj、bk，使誤差減小，當(dāng)網(wǎng)絡(luò)總誤差小于允許值0.000 1時，訓(xùn)練過程結(jié)束。

利用基于MLPNN的柴油機輻射噪聲聲品質(zhì)預(yù)測模型對檢驗組23～32噪聲進行滿意度預(yù)測，并與主觀評價實測值進行對比。結(jié)果發(fā)現(xiàn)，預(yù)測結(jié)果與主觀評價實測結(jié)果吻合較好，相對誤差控制在11%誤差范圍內(nèi)，說明基于MLPNN的噪聲聲品質(zhì)預(yù)測方法準確描述了心理聲學(xué)變量與主觀評價結(jié)果之間的映射關(guān)系，同時得到心理聲學(xué)變量響度、尖銳度等參數(shù)選擇的合理性。

圖3為基于MLPNN的柴油機輻射噪聲聲品質(zhì)預(yù)測分析流程圖。

依據(jù)多層感知器參數(shù)靈敏度方法[15]分析各心理聲學(xué)參量對滿意度的貢獻度，圖4為MLPNN模型中心理聲學(xué)變量對主觀評價結(jié)果重要性指數(shù)的非線性關(guān)系權(quán)值。

圖3 基于MLPNN的噪聲聲品質(zhì)預(yù)測分析流程

圖4 心理聲學(xué)參數(shù)貢獻度分析

由圖4可知，響度特征對柴油機噪聲聲品質(zhì)貢獻度為0.375，是柴油機噪聲聲品質(zhì)最重要的影響因子；粗糙度貢獻度為0.192；尖銳度重要性影響因子為0.170；波動度和峭度貢獻度分別為0.133和0.147，重要性相對較小。響度、粗糙度和尖銳度3個客觀特征參量對柴油機的聲品質(zhì)累積貢獻度為0.719，該重要性排序可作為高聲品質(zhì)柴油機設(shè)計的重要指標。

5 結(jié)束語

a.采用心理聲學(xué)特征參數(shù)響度、尖銳度、粗糙度等來描述柴油機噪聲聲品質(zhì)變化規(guī)律，較全面地考慮了噪聲給人帶來的主觀感受，優(yōu)于以聲級大小為指標的評價標準。

b.運用MLPNN方法進行柴油機輻射噪聲聲品質(zhì)預(yù)測研究，預(yù)測值與主觀評價實測值相對誤差控制在11%以內(nèi)，證明了柴油機噪聲聲品質(zhì)預(yù)測模型的準確及可靠性，該模型可用來評價柴油機噪聲滿意度大小。

c.利用多層感知器靈敏度分析方法計算影響柴油機噪聲聲品質(zhì)客觀參量貢獻度大小，其中響度貢獻度為0.375，粗糙度為0.192，尖銳度為0.170，前3者累積貢獻度為0.719。

1 Sheela K G,Deepa S N.Neural network based hybrid computing model for wind speed prediction.Neurocomputing, 2013，122:425～429.

2 Florido J P,Pomares H,Rojas I,et al.An effective,practical and low computational cost framework for the integration of heterogeneous data to predict functional associations between proteins by means of Artificial Neural Networks.Neurocomputing,2013，121：64～78.

3 張文輝，馬靜，高九州.基于多層感知器數(shù)據(jù)元的空間柔性機器人位置跟蹤控制.空間控制技術(shù)與應(yīng)用，2011，37（1）：59～62.

4 段敏，王巖松，石晶.基于神經(jīng)網(wǎng)絡(luò)的發(fā)動機噪聲的預(yù)測.汽車工程，2002，24（6）：507～509.

5 楊慶佛.內(nèi)燃機噪聲控制.太原：山西人民出版社，1985.

6 Schiffb?nker H,Brandl F K,Thien G E.Development and application of an evaluation technique to assess the subjective character of engine noise.SAE paper 911081.

7 Hussain M,G?lles J,Ronacher A,et al.Statistical evaluation of an annoyance index for engine noise recording.SAE paper 911080.

8 Otto N,Amman S,Eaton C,et al.Guidelines for jury evaluations of automotive sounds.SAE Paper 1999-01-1822.

9 孟子厚.音質(zhì)主觀評價的試驗心理學(xué)方法.北京:國防工業(yè)出版社，2008.

10 石巖，舒歌群，畢鳳榮.車輛排氣噪聲聲音品質(zhì)的主觀評價與模型預(yù)測.天津大學(xué)學(xué)報，2011，44（6）：511～515.

11 Zwicker E,Fastl H.Psychoacoustic：Facts and Models.Berlin:Springer Verlag,1999.

12 Roland Sottek.Modeling Engine Roughness.SAE Paper 2009-01-2153.

13 Hastings A L.Sound Quality of Diesel Engines.Purdue University,2004.

14 Gardner M,Dorling S.Artificial neural networks(the multilayer perceptron)a review of applications in the atmospheric sciences.Atmospheric Environment,1998,32:2627～2636.

15 孫雪全，馮英俊.多層感知器的靈敏度分析.計算機學(xué)報，2001，24（9）：951～958.

（責(zé)任編輯 晨 曦）

修改稿收到日期為2016年2月30日。

Prediction of Passenger Car Diesel Engine Noise Quality

Liu Hai1,2,Li Hongliang2,Wu Yimin1,Wang Haiyang2
（1.Hebei University of Technology,Tianjin 300130;2.China Automotive Technology and Research Center, Tianjin 300300）

With a four-cylinder inline passenger car diesel engine as a research object,we choose five psychoacoustic parameters(loudness,sharpness,etc)for objective evaluation and analysis.Taking the Sensory Pleasantness Index(SPI)as the criterion for subjective evaluation,the paired comparison is applied in the subjective evaluation and test research.The nonlinear relation between psychoacoustic parameters and SPI is established by using Multilayer Perceptron Neural Networks(MLPNN).Based on the MLPNN prediction model,the contribution of psychoacoustic parameters to engine noise is analyzed,and the importance ranking of psychoacoustic parameters(loudness＞roughness＞sharpness)is obtained.

Passenger car,Diesel engine,Noise,Acoustic quality,Prediction model

U464.12+2

A

1000-3703（2016）11-0013-03

河北省高等學(xué)校自然科學(xué)青年基金（QN2016197）。